现代科学技术的高速发展,传统工业制造中靠人工分类瓷砖的方法已经不能满足现代制造业的要求。随着工业4.0时代的到来,催化传统制造业时代的结束,取而代之的是高新技术的发展。瓷砖分类仪的研究标志着人类将能够避免重复廉价劳动力,加快现代化建设的步伐。与次同时,图像处理应用在生活的方方面面,在军事遥感、生物影像、监控识别等领域也起着不可磨灭的作用。因此,将图像方面的研究应用到瓷砖分类具有重要意义。本文研究了针对提取不同特征对同批次生产的瓷砖分类准确率的影响,从常规瓷砖特征提取方法入手,对特征提取当中的灰度共生矩阵算法进行研究,之后利用小波包分解选择系数能量加权联合向量(DCWC)算法提取特征量应用到瓷砖分类当中。同时对于瓷砖图像的分类,研究了支持向量机分类算法,最终采用超球体支持向量机在线分类算法以提高分类准确率,具体研究如下:首先,针对实际生产中同一生产线生产的同一批次瓷砖的分类问题进行实际分析,对瓷砖图像预处理,运用拉普拉斯微分算子增强纹理的方法、高斯滤波算法与导向滤波算法等对比分析,说明了导向滤波算法对增强瓷砖图像纹理的有效性。其次,图像经过频率域小波变换,根据不同频率部分所代表的纹理信息不同,可以通过构建模型等其他方法,从中找到最具代表意义的特征量。对于瓷砖图像的特征提取部分,主要介绍了GLCM和利用小波包分解特征提取算法。通过实验分析,实验分类的准确性验证了小波包分解产生的系数能够代表一定的信息特征,同时利用系数得到的小波重构域的子图反映了瓷砖图像的纹理空间信息,提出了一种基于小波包分解选择系数加权重构(DCWC)的瓷砖图像特征提取算法,通过该算法提取到的瓷砖图像特征值更加有利于瓷砖图像的分类,实验证明分类准确率比普通方法要高。最后,从支持向量机的概念出发,介绍了最大间隔和如何寻找最优超平面,并把目标函数的求解转换为二次规划问题求最优。之后,还介绍了支持向量机分类算法,有一对一、一对多等分类算法。在实际运用中,针对瓷砖图像的分类选择支持向量机(C-SVM)一对一分类,并采用网格参数寻优,找到最佳惩罚系数c以及最佳核半径g。实验中针对不同数量大小的训练集与测试集进行分类,其结果也说明了数据集的大小对瓷砖分类结果产生的影响。考虑到流水线上瓷砖分类的实时性,提出超球面支持向量机在线学习分类算法,随着流水线生产检测样本的增加,不断扩充训练集,在线训练调整模型。在本论文中,对于此类精细图像的分类,我们需要提取其高层次特征。我们还通过深度学习的方法,引入稀疏自编码器,提出将小波分解的能量系数构成的特征向量输入到稀疏自编码器提取二阶特征,并结合时域的其他特征组合成增广向量输入到超球面支持向量机训练、分类。实验结果表明,利用稀疏自编码器提取小波域系数的二阶特征联合颜色、纹理等向量组合成的增广特征向量实现了有效的特征向量提取,与改进的支持向量机在线分类算法相结合得到的分类准确率比利用卷积神经网络分类的准确率要高,克服了分类过拟合的缺陷。相比于K近邻分类算法,本论文提出的方法避免了每次测试样本时大量的计算、样本不平衡预测偏差比较大的问题。